IV.4Клиническая медицина и общественное здоровье

PsyCare1.0-Llama3.1-8B — диалоговая языковая модель от RekklesAI для приложений поддержки психического здоровья. Она дообучена на основе meta-llama/Llama-3.1-8B-Instruct с использованием Unsloth и датасета Mental Health Counseling Conversations Dataset. Модель принимает текст и генерирует эмпатичные ответы на английском языке, предназначенные для обсуждения эмоционального состояния и предоставления доступной информации о психическом здоровье. Модель содержит 7,5 млрд параметров, использует архитектуру LlamaForCausalLM и формат safetensors; длина контекста составляет 131072 токена. Разработчик ориентирует её на интеграцию в системы поддержки психического здоровья для отдельных пользователей и организаций. Лицензия — Apache-2.0. Карточка заявляет о профессиональных ответах, однако не приводит независимых оценок качества или клинической проверки; поэтому пригодность ответов для принятия медицинских решений не подтверждена.

PsyCoPref-Llama3-8B — дообученная модель команды Psychotherapy-LLM для диалогов психотерапевтического консультирования. Она основана на Meta Llama 3.1 8B Instruct и обучена методом preference learning на наборе PsyCoPref, включающем 36 тысяч пар сравнений ответов, согласованных с предпочтениями профессиональных психотерапевтов. Модель предназначена для генерации ответов в сессиях психоконсультирования. В статье авторы сообщают о 87% побед в сравнении с GPT-4o; это результат конкретной оценки, а не гарантия качества для каждого запроса. Модель имеет плотную архитектуру LlamaForCausalLM, около 7,5 млрд параметров и контекст до 131 072 токенов. Она работает с текстом и использует библиотеку Transformers. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства, но запрещающая коммерческое применение. Основанная модель имеет многоязычные возможности, однако отдельный перечень языков PsyCoPref в карточке не приведён.

Qwen2.5-Aloe-Beta-72B — медицинская языковая модель, разработанная HPAI на базе Qwen2.5-72B. Это плотный авторегрессионный трансформер с 71,5 млрд параметров и контекстом до 131 072 токенов; модель распространяется в формате safetensors и поддерживает чат. Она дообучена на медицинских задачах и данных, охватывающих ответы на вопросы, суммаризацию и объяснение медицинских текстов, диагностику, классификацию и рекомендации по лечению. Основной язык — английский; возможность работы на других языках не оценивалась формально. Модель предназначена для исследовательской работы и вспомогательных сценариев, например для ответов на медицинские вопросы и анализа медицинских материалов, в том числе в сочетании с RAG. В README сообщается о результатах на медицинских бенчмарках, но они не подтверждают пригодность для клинического применения. Модель может ошибаться, выдавать токсичный контент и проявлять предвзятость; её нельзя использовать для клинической практики, постановки диагнозов или прямых и косвенных медицинских рекомендаций. Aloe-модификации распространяются по лицензии CC-BY-NC-4.0 для некоммерческого использования; базовая Qwen2.5-72B выпущена по пользовательской лицензии Qwen.

RaR-Medicine static R0 matched dense checkpoint — экспериментальный чекпойнт на основе Qwen3-4B-Instruct-2507, подготовленный командой HYU-NLP-EVAL. Это плотная языковая модель с 3,7 млрд параметров для генерации текста и диалогов; доступен BF16-чекпойнт для инференса. Указанная длина контекста — до 262 144 токенов. Модель предназначена для медицинских сценариев в рамках эксперимента RaR-Medicine. README обозначает её как исследовательскую; по названию эксперимента и чекпойнта нельзя надёжно определить конкретные медицинские задачи, на которых её следует применять. Лицензия Apache-2.0.

RudolfV 2 — модель компьютерного зрения Aignostics для вычислительной патологии. Это Vision Transformer с backbone ViT-g/8, обученный без учителя на 300 тысячах полноразмерных изображений гистологических стекол. В репозитории представлена флагманская версия семейства с 1,1 млрд параметров. Модель предназначена для извлечения признаков на уровне фрагментов ткани и их использования в последующих задачах анализа гистопатологии: классификации тканей и опухолей, определении степени злокачественности, прогнозировании биомаркеров и моделировании на уровне всего стекла с помощью multiple instance learning. Входом служат изображения; основной выход — визуальные признаки для дальнейшего анализа. Для загрузки требуются Transformers с разрешённым `trust_remote_code=True` и библиотека `timm`. Доступ к весам ограничен: запрос подаётся через Hugging Face, для него требуется академический или некоммерческий адрес электронной почты, а решение принимает Aignostics. В карточке указана лицензия `other`; подробные условия следует уточнять у разработчика. Модель специализирована на патологии и не заявлена как самостоятельная диагностическая система.

Thai GPT-2 Fine-Tuned — модель генерации текста на архитектуре GPT-2, дообученная пользователем donnaphat397 для вопросов и ответов на тайском языке. Модель обучалась на наборе данных disease_3000, содержащем 3 000 пар, посвящённых заболеваниям, и предназначена для генерации ответов на медицинские вопросы на тайском языке. Модель поддерживает тайский язык и имеет контекстное окно длиной 1 024 токена. Она может использоваться в прототипах медицинских чат-ботов, системах предварительной навигации по вопросам о заболеваниях и экспериментах с генерацией ответов. Лицензия MIT разрешает использование, изменение и распространение модели при соблюдении условий лицензии. Модель не должна рассматриваться как источник медицинской диагностики или профессиональной консультации. В README отсутствуют сведения о точных параметрах обучения, результатах оценки, архитектурных деталях сверх GPT-2, происхождении разработчика и процедурах контроля качества ответов.

Ayush2312/llama2-7B-1k-TherapyData — дообученная авторами проекта выпускного курса модель семейства Llama 2, созданная на основе языковой модели Llama 2-7B и набора данных Therapy. Она предназначена для генерации текста на терапевтические темы и демонстрирует применение больших языковых моделей в области психического здоровья. Модель имеет плотную архитектуру LlamaForCausalLM и содержит 6,6 млрд параметров; нативный контекст составляет 4096 токенов. Репозиторий предоставляет веса в формате safetensors, лицензия — Apache-2.0. Модель можно использовать для создания терапевтических текстовых ответов и прототипирования диалоговых сценариев в сфере психического здоровья. README не приводит оценки качества, подробности обучающего набора или проверок безопасности; поэтому ответы не следует считать профессиональной психологической или медицинской помощью.

MagneticMemories-V2-20B — текстовая модель генерации на архитектуре Llama, созданная Elfrino слиянием SLERP моделей Elfrino/PsychoPomp-20B и Undi95/PsyMedRP-v1-20B. В README модель помечена как тестируемая; название и состав исходных моделей указывают на психологические и медицинские ролевые сценарии. Модель содержит 19,8 млрд параметров, принимает текст и генерирует текст. Её контекстное окно — 4096 токенов. Файлы весов представлены в формате safetensors; для работы указана библиотека Transformers. Подходит для генерации диалогов и ролевых ответов в психологических или медицинских сценариях. Качество и надёжность в README не оценены, а маркировка «в тестировании» указывает на экспериментальный статус. Сведения о лицензии в предоставленных данных отсутствуют.

MedFound-176B — медицинская языковая модель для генерации текста и помощи при диагностике заболеваний, представленная в рамках проекта «A Generalist Medical Language Model for Disease Diagnosis Assistance». Модель построена на архитектуре BLOOM с плотной языковой моделью и содержит 233,8 млрд параметров; файлы представлены в формате safetensors и предназначены для использования с библиотекой Transformers. Модель можно применять для исследовательских экспериментов с медицинскими текстовыми запросами и генерацией ответов, связанных с диагностикой. README ограничивает её применение исследованиями: модель не предназначена для коммерческого или клинического использования. Генерируемые ответы могут содержать ошибки и смещения, поэтому их следует независимо проверять. Лицензия модели — AFL-3.0.

MindChat-Qwen-7B-v2 — китайскоязычная диалоговая модель для психологической поддержки, разработанная командой X-D Lab Восточно-Китайского университета науки и технологий. Она дообучена на базе Qwen-7B на корпусе примерно из 200 тысяч многоходовых психологических диалогов и предназначена для поддерживающих бесед, обсуждения повседневных трудностей и психологической оценки. В версии v2 добавлена оценка пяти аспектов: ипохондрии, соматической тревожности, интереса к работе и учёбе, чувства вины и суицидальных мыслей. Модель использует плотную архитектуру Qwen и содержит 11,4 млрд параметров; заявленная длина контекста — 8192 токена. Она работает с текстовыми диалогами на китайском языке и генерирует текстовые ответы. README описывает примеры бесед об учёбе, семье, работе, дружбе и безопасности, но предупреждает, что модель может ошибаться и выдавать вредные или оскорбительные ответы. Она не заменяет психолога или психиатра и не подходит как единственная опора для решений в критических ситуациях. Репозиторий указывает лицензию GPL-3.0; для коммерческого использования авторы предлагают связаться с командой.

kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

RaR-Medicine OnlineRubrics-Every dense checkpoint, step 40 — плотная языковая модель на архитектуре Qwen3, разработанная на основе Qwen/Qwen3-4B-Instruct-2507. Это чекпойнт этапа обучения phase1-online-rubrics-medicine-full-dense-20260919-seed11; репозиторий содержит веса BF16 для инференса и исходные файлы чекпойнта veRL. Модель предназначена для генерации текста в медицинском сценарии, однако README не уточняет конкретные пользовательские задачи или достигнутое качество. Модель содержит 3,7 млрд параметров, принимает текст и поддерживает контекст до 262 144 токенов. Унаследованные возможности Qwen3 включают диалоговый режим; отдельные сведения о языках и специализированных медицинских функциях не приведены. Лицензия — Apache-2.0. README обозначает модель как предназначенную только для исследовательского использования.

Экспериментальный плотный языковой чекпойнт Qwen3-4B, дообученный на базе Qwen/Qwen3-4B-Instruct-2507 для статического эксперимента RaR-Medicine. Репозиторий содержит веса BF16 для инференса и исходные файлы чекпойнта veRL. Модель предназначена для генерации текста в медицинском сценарии; карточка не описывает конкретные медицинские задачи или оценку качества. Архитектура — Qwen3ForCausalLM, около 3,7 млрд параметров, контекст до 262 144 токенов. Поддерживает диалоговый режим. Лицензия Apache-2.0; README указывает исследовательское использование.

Это экспериментальный чекпойнт распознавания атипичной речи на луганда, созданный на основе Qwen3-ASR командой KasuleTrevor. Модель адаптирована для транскрибирования речи людей с нарушениями артикуляции, дизартрией и заиканием; при дообучении использовались только проектор и SpecAugment, без текстового промпта. Базовая модель содержит около 2,04 млрд параметров, из которых обучались 3,15 млн. Чекпойнт выбран по валидационным WER/CER; на тесте средний ограниченный посегментный WER составил 69,33%, а нормализованный корпусный WER — 83,62%. Ошибки заметно выше для тяжёлых нарушений речи. Данные показывают специализированный исследовательский эксперимент, а не универсальную систему распознавания. Лицензия в доступных данных не указана.

IAMJB/chexpert-mimic-cxr-impression-baseline — модель генерации текстового описания по рентгеновским снимкам грудной клетки. Репозиторий содержит модель архитектуры vision-encoder-decoder для задачи image-to-text, сохранённую в формате safetensors и рассчитанную на английский язык. README сообщает об оценке на наборе CheXpert-Plus. Модель предназначена для формирования текстового впечатления по снимку грудной клетки, например как базовый вариант для экспериментов с автоматической интерпретацией рентгенограмм. Репозиторий лицензирован по MIT. В карточке нет подробных сведений о размере модели, длине контекста или клинической проверке; результаты оценки на CheXpert-Plus сами по себе не подтверждают пригодность для принятия медицинских решений.

generate-cxr — модель Nathan Sutton для генерации рентгенологических заключений по снимку грудной клетки и клиническому показанию, например подозрению на пневмонию. Она основана на BLIP с архитектурой BlipForConditionalGeneration и дообучена на Salesforce/blip-image-captioning-large. Модель принимает изображение рентгенограммы и текстовое клиническое показание, а выдаёт текст заключения на английском языке. Репозиторий содержит веса PyTorch и Safetensors. Лицензия — Apache 2.0; автор исключает любое медицинское применение, поэтому модель не предназначена для клинической диагностики или принятия медицинских решений.

mental-alpaca — языковая модель, разработанная Human-Centered AI Lab при Northeastern University и дообученная на базе Alpaca для прогнозирования характеристик психического здоровья по текстам из интернета. Она предназначена для исследовательских задач на английском языке, связанных с классификацией и оценкой текстовых данных в области психического здоровья. Модель использует архитектуру Llama с плотной causal language modeling частью, содержит 6,6 млрд параметров и поддерживает контекст до 2048 токенов. Для дообучения использованы наборы Dreaddit, DepSeverity, SDCNL и CCRS-Suicide; карточка сообщает о шести задачах, но не перечисляет их все. Модель распространяется по лицензии CC BY-NC 4.0. Авторы указывают, что её следует применять только для исследований и учитывать ограничения и условия исходных проектов Stanford Alpaca и Llama-2-7b.

SherifAhmed/paligemma-retinal — дообученная мультимодальная модель семейства PaliGemma для задач image-text-to-text. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; название репозитория указывает на применение к изображениям сетчатки глаза, однако карточка не описывает конкретные диагностические возможности или сценарии использования. Модель построена на архитектуре PaliGemmaForConditionalGeneration и распространяется в формате safetensors для библиотеки Transformers. В метаданных указана лицензия Gemma. Карточка не содержит описания обучающих данных, оценки качества и медицинских ограничений, поэтому пригодность ответов для клинических решений не подтверждена.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n119 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n137 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

HYU-NLP-EVAL/qwen3-4b-rar-medicine-static-r0-matched-dense-seed11-step-013 — плотная языковая модель Qwen3 с 3,7 млрд параметров, дообученная на основе Qwen/Qwen3-4B-Instruct-2507. Репозиторий содержит веса BF16 для инференса; архитектура — Qwen3ForCausalLM, предусмотрен диалоговый режим. Длина контекста составляет до 262 144 токенов. Модель относится к эксперименту RaR-Medicine static R0, matched dense, seed 11, шаг 13. Её можно использовать для генерации текста и диалоговых сценариев в медицинском контексте; README обозначает её как предназначенную для исследовательского использования. Лицензия — Apache-2.0. Карточка не уточняет медицинские задачи, языки обучения или оценки качества, поэтому пригодность для клинических решений не подтверждена.

Модель BTX24/vit-base-patch16-224-in21k-finetuned-hongrui_mammogram_v_1 — дообученный для классификации маммограмм вариант Vision Transformer ViT-Base от Google. Она основана на google/vit-base-patch16-224-in21k и содержит 113,2 млн параметров. Модель принимает изображения и выдаёт класс изображения. Модель предназначена для экспериментальной классификации маммограмм. На указанной в README оценочной выборке достигнуты accuracy 0,6991 и F1 0,6767; данных о составе классов и выборки недостаточно, чтобы судить о пригодности для клинического применения. Репозиторий содержит веса в формате safetensors и распространяется по лицензии Apache-2.0.

Anxietycontinuous — дообученная модель DeBERTa-v3-base для классификации текста, разработанная автором репозитория ajrayman. README приводит метрики на оценочной выборке: loss 0,0640, RMSE 0,2530, MAE 0,1993 и корреляцию 0,3833; назначение и состав набора данных в карточке не раскрыты. Модель содержит 211,6 млн параметров, принимает текст с контекстом до 512 токенов и распространяется в формате Safetensors через Transformers. По названию репозитория можно предположить, что модель предназначена для оценки тревожности по тексту, однако карточка не подтверждает шкалу оценки, языки, сценарии применения или подготовку данных. Лицензия — MIT. Приведённая корреляция и отсутствие сведений о данных и валидации ограничивают выводы о качестве и применимости модели.

camilon/clinical_longformer_same_tokens_1epochs_150k — дообученная модель Longformer от camilon для предсказания замаскированных фрагментов клинического текста. Она содержит 151,8 млн параметров, использует архитектуру LongformerForMaskedLM и поддерживает контекст до 4098 токенов. Модель предназначена для заполнения пропусков в тексте и может применяться в экспериментах с клиническими документами. В README указан результат Loss 1,7029 на оценочном наборе, но название и состав данных не раскрыты. Модель основана на camilon/clinical_longformer_same_tokens_1epochs_100k; файлы опубликованы в формате safetensors. Лицензия в предоставленных данных не указана.

NadunAnjanaka/Llama-2-7b-chat-Counsellor — языковая модель на архитектуре Llama 2, дообученная для раннего выявления проблем психического здоровья и виртуального консультирования. Модель разработана в рамках учебного проекта факультета медицины Университета Коломбо, Шри-Ланка, и ориентирована на образовательное применение. Модель принимает текст и генерирует ответы в диалоговом формате. Она содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и рассчитана на английский язык. В репозитории указаны веса PyTorch и лицензия Llama 2. Карточка не подтверждает клиническую пригодность модели или качество её рекомендаций. Её следует рассматривать как учебную разработку, а не как замену профессиональной оценке психического здоровья.

polyp-unet-r34-heavy — модель сегментации полипов на изображениях колоноскопии, разработанная автором репозитория saadaamir14. Это U-Net с энкодером ResNet34, обученная на 1 305 изображениях из наборов Kvasir-SEG и CVC-ClinicDB по усиленному рецепту обучения; опубликован чекпойнт с медианным результатом среди пяти запусков с разными случайными зернами. Модель оценивает изображения размером 352×352 и выдаёт карту сегментации полипов. Она предназначена для исследований и экспериментов по автоматическому выделению полипов. На тестах Kvasir и CVC-ClinicDB, чьи центры представлены в обучении, Dice составил 0,8947 и 0,9063; на наборе CVC-ColonDB из незнакомого центра — 0,7549. Оценки при уменьшенном разрешении ограничивают достижимое качество и не вполне сопоставимы с опубликованными результатами других работ. Модель распространяется в формате safetensors под лицензией MIT. Это исследовательский артефакт, а не медицинское устройство: качество в новой клинике заранее не предсказуемо, мелкие полипы часто пропускаются, а результаты на CVC-ClinicDB могут быть завышены из-за пересечения видео между обучающими и тестовыми кадрами.

Модель ahmedesmail16/Psoriasis-Project-Aug-M2-swinv2-base-patch4-window12-192-22k — дообученная Ahmed Esmail модель Microsoft Swin Transformer V2 Base для классификации изображений. Она содержит 58,7 млн параметров и предназначена для распознавания классов псориаза по изображениям; в отчёте оценки указаны классы Erythromelal, Guttate и Inverse, а также девять дополнительных строк таблицы. В README сообщается об accuracy 1,0 и loss 0,0088 на тестовой выборке, но её размер и состав обучающих данных не раскрыты. Эти результаты сами по себе не подтверждают пригодность для клинической диагностики. Модель распространяется в формате safetensors по лицензии Apache-2.0.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n478 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

Карточка модели kelsbeans/qwen3-1.7b-digestive-coach-n551 на Hugging Face совпадает с карточкой kelsbeans/qwen3-1.7b-digestive-coach-n275, поэтому описание составлено по ней. kelsbeans дообучил модель Qwen3 с 1,7 млрд параметров на базе unsloth/qwen3-1.7b-unsloth-bnb-4bit. Она предназначена для генерации текста в диалоговом формате; название модели указывает на специализацию в роли консультанта по пищеварению, однако карточка не описывает обучающие данные или конкретные медицинские возможности. Модель принимает текст и может использоваться в сценариях общения с пользователем. Модель основана на плотной архитектуре Qwen3ForCausalLM, поддерживает контекст до 40 960 токенов и английский язык. В метаданных также заявлен интерфейс вызова инструментов. Модель распространяется под лицензией Apache-2.0. README сообщает, что при дообучении использовались Unsloth и библиотека TRL.

Ruhadam2020/checkpoint-85239 — Türkçe klinik ve tıbbi metinlere uyarlanmış BERTurk tabanlı dil modelidir. Modeli, `dbmdz/bert-base-turkish-cased` temel modeli üzerinde tıbbi soru-cevap ve genel Türkçe metinlerle maskeli dil modelleme görevinde fine-tune etmiştir. Mimari değişiklik yapılmamış; model yaklaşık 137,8 млн параметровдан состоит и обрабатывает контекст длиной до 512 токенов. Распространяется по лицензии Apache-2.0. Модель предназначена для заполнения пропусков в турецких медицинских текстах и может служить вспомогательным компонентом при анализе лабораторных результатов и клинических текстов. В описанной оценке на 126 синтетических случаях одиночная модель совпадала с ожидаемой клинической темой в 65% случаев; авторы указывают, что метрика завышает результат и что заполнение пропусков плохо подходит для различения клинических состояний по числовым лабораторным данным. Это исследовательская разработка для поддержки принятия решений, а не диагностическая система или медицинское устройство. Она не проверяет референсные интервалы, дозировки и лечение; обучение не включало реальные истории болезни. Результаты требуют проверки врачом и не подходят для самостоятельного клинического применения.